As traduções deste site em idiomas diferentes do inglês são geradas por IA. Não garantimos a precisão e não nos responsabilizamos por quaisquer erros ou danos resultantes do uso do conteúdo traduzido. Em caso de inconsistências ou ambiguidades, versão em inglês prevalecerá.
Transformar dados em oportunidades: Métrica do Mês - Critérios de Qualidade de Dados (Continuação)
Os dados de alta qualidade são mais do que uma referência - são uma necessidade estratégica para a confiança, a Conformidade e a interoperabilidade globais. No Blog da GLEIF deste mês, Zornitsa Manolova - Chefe de Gestão de Qualidade de Dados e Ciência de Dados da GLEIF, continua a explorar o papel dos Critérios de Qualidade de Dados e sua importância crítica como parte da Estrutura de Gestão de Qualidade de Dados da GLEIF para garantir que os dados de LEIs permaneçam confiáveis, atualizados e adequados para uso global por instituições financeiras, reguladores e participantes do mercado.
Autor: Zornitsa Manolova
Data: 2025-07-07
Visualizações:
Em uma economia global cada vez mais interconectada, a capacidade das organizações de confiar e usar os dados de forma eficaz é a base para a inovação, o crescimento e a competitividade.
Um ecossistema de dados de alta qualidade é um motor de mudança e inovação que permite às organizações identificar e aproveitar novas oportunidades, enquanto a baixa qualidade de dados pode levar a ineficiências e exposição a riscos regulamentares e de reputação.
A GLEIF está empenhada em otimizar a qualidade, fiabilidade e usabilidade dos dados de LEI. Desde 2017, tem publicado relatórios mensais dedicados para demonstrar de forma transparente o nível geral de qualidade de dados alcançado no Global LEI System.
Para ajudar a uma maior compreensão e consciencialização da indústria sobre as iniciativas de qualidade de dados da GLEIF, esta nova série de blogues explora as principais métricas incluídas nos relatórios.
O blogue deste mês continua a examinar os Critérios de Qualidade de Dados.
Na atual economia orientada por dados, a utilização de dados de entidades jurídicas de alta qualidade é crucial para impulsionar a inovação, garantir a Conformidade e promover a confiança nos mercados globais. A GLEIF garante os padrões mais elevados possíveis através de uma Estrutura de Gestão da Qualidade de Dados estruturada, que define doze Critérios de Qualidade de Dados distintos e mensuráveis para avaliar objetivamente os registos do Identificador de Entidade Jurídica (LEI).
Um destaque sobre Exatidão, Abrangência e Representação
Exatidão, Abrangência e Representação são componentes críticos de uma estrutura de dados de LEI resiliente que suporta tanto as necessidades regulatórias quanto a interoperabilidade global contínua. Juntos, eles garantem que os dados de LEI não sejam apenas tecnicamente corretos e completos, mas também apresentados de forma estruturada e consistente.
Precisão: Refletir fatos do mundo real, de forma confiável
Dados precisos reforçam a confiança no sistema LEI, melhoram a conformidade regulamentar e suportam transacções transparentes entre organizações.
A exatidão avalia a proximidade com que os dados de referência da Entidade Jurídica (LEI) correspondem às informações da entidade jurídica de fontes autorizadas, estimando até que ponto os dados estão isentos de erros identificáveis. Pode ser um dos critérios mais complicados de avaliar, pois muitas vezes depende de dados de referência externos, adicionando uma camada de complexidade às verificações. No entanto, embora a precisão absoluta possa ser um desafio para garantir, a GLEIF está empenhada em alcançar as Normas de exatidão mais elevadas possíveis através de melhorias contínuas.
A exatidão é atualmente avaliada através de 14 verificações individuais que, coletivamente, alcançaram uma Pontuação Média de Qualidade dos Dados de 99,99 em junho. As verificações incluem a verificação de que a forma jurídica de um fundo está categorizada corretamente, de que existem combinações razoáveis para as excepções da empresa-mãe ou de que os códigos postais correspondem ao formato prescrito pelo país.
Abrangência: Garantir que todos os campos obrigatórios estejam presentes
Registos de LEI abrangentes permitem uma análise de risco precisa e apoiam a tomada de decisões regulamentares e comerciais bem informadas.
A abrangência refere-se à integridade dos registos de referência do LEI, garantindo que não faltam campos obrigatórios. Além de verificar se os registros são tecnicamente válidos de acordo com as regras do Arquivo de Dados Comuns (CDF) e da definição do esquema XML (XSD), essas verificações vão um passo além, garantindo que cada registro contenha todos os dados essenciais e significativos, incluindo nomes de entidades, endereços, detalhes de registro e registros de relacionamento, quando aplicável.
Com 14 verificações específicas em vigor, a abrangência mantém consistentemente um padrão elevado, alcançando uma Pontuação Média de Qualidade dos Dados de 99,99 em junho. Exemplos destas verificações incluem a validação de que o nome legal de uma entidade é plausível e não está duplicado, a garantia de que os registos reformados estão corretamente ligados ao evento de entidade jurídica correspondente e a confirmação de que são fornecidas informações adicionais quando um código de autoridade de registo ou de forma jurídica ainda não está disponível nas listas de códigos oficiais.
Representação: Seguir formatos padronizados
A representação consistente nos registos de LEI melhora a interoperabilidade do sistema, melhora a legibilidade e garante uma integração perfeita nos sistemas regulamentares, modelos de risco e fluxos de trabalho automatizados.
A representação avalia se os elementos de dados de LEIs são apresentados de forma consistente e padronizada. Os principais aspectos incluem a adesão a padrões, codificação apropriada de caracteres, formatos, marcação de idioma e Conformidade com normas de código como a ISO 20275, que define os códigos da Forma Jurídica da Entidade (ELF).
Avaliada através de 14 controlos, a representação manteve um desempenho de qualidade quase perfeito, o que se reflectiu na sua classificação de 99,99 em junho. Exemplos destas verificações incluem a avaliação da aplicação coerente de conjuntos de caracteres, como a garantia de que os nomes ou endereços legais contêm a etiqueta linguística adequada e de que a informação sucessora contém entradas válidas.
Transformar dados em oportunidades
A exatidão, a abrangência e a representação desempenham um papel fundamental na garantia de que os dados de LEI não só estão corretos e completos, mas também estruturados de forma consistente para uma utilização global perfeita. Estas dimensões trabalham em conjunto com outros Critérios de Qualidade de Dados para criar uma base sólida para a fiabilidade dos dados que sustenta o Global LEI System, permitindo uma tomada de decisão confiante, uma conformidade simplificada e interações digitais de confiança.
A dedicação da GLEIF em aprimorar a Estrutura de Gestão de Qualidade de Dados e explorar critérios de qualidade adicionais reflete nosso compromisso inabalável com a Qualidade Total de Dados. Isto coloca o utilizador de dados no centro de todos os esforços de qualidade e é um testemunho dos nossos esforços contínuos para aumentar ainda mais a usabilidade, transparência e fiabilidade dos dados de referência de LEI em todo o mercado global.
Caso queira comentar uma postagem no blog, identifique-se usando seu nome e sobrenome. Seu nome aparecerá ao lado de seu comentário. Endereços de e-mail não serão publicados. Note que ao acessar ou contribuir com o fórum de discussão, você concorda com os termos da Política de Uso do Blog da GLEIF, portanto, leia-a com atenção.
Zornitsa Manolova lidera a equipe de Gestão de Qualidade de Dados e Ciência de Dados na Global Legal Entity Identifier Foundation (GLEIF). Desde abril de 2018, ela é responsável por aprimorar e melhorar a qualidade de dados estabelecida e a estrutura de governança de dados, introduzindo abordagens inovadoras de análise de dados. Anteriormente, Zornitsa gerenciou projetos de análise de dados forenses em investigações financeiras internacionais na PwC Forensics. Ela é formada em ciências da computação com foco em aprendizagem de máquina pela Universidade Philipps de Marburgo.
